Öz-düzenleyen harita (Kohonen Haritası)
Self-Organizing Map (Kohonen Map) · Ayrıca şöyle bilinir: SOM, Kohonen map, Kohonen network, öz-örgütlemeli harita
Öz-düzenleyen harita , Teuvo Kohonen tarafından 1982'de tanıtılan, denetimsiz bir yapay sinir ağıdır. Bu ağ, yüksek boyutlu veriyi, verinin topolojisini koruyarak düşük boyutlu (genellikle iki boyutlu) bir prototip vektör ızgarasına yansıtır; yani yakın girdiler yakın ızgara hücrelerine eşlenir. Görselleştirme, kümeleme ve keşifsel analiz için kullanılır, karmaşık veriyi sıralı, yorumlanabilir bir haritaya dönüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Öz-düzenleyen haritaları, yüksek boyutlu veriyi sıralı bir 2B ızgara üzerinde görselleştirmek ve keşfetmek, komşuluk yapısını koruyarak kümeleme yapmak veya karmaşık veri kümelerinin yorumlanabilir haritalarını oluşturmak için kullanın; bu, keşifsel veri analizinde, süreç izlemede, finansta, genomikte ve belge/sensör eşlemede yaygındır. Gücü, topolojiyi koruyan, insan tarafından okunabilir yerleşimidir ('U-matrisi' küme sınırlarını ortaya çıkarır). Izgara boyutunu ve şeklini seçmeyi gerektirir, başlatmaya ve öğrenme programına duyarlıdır, deterministik olmayan bir sonuç verir ve olasılıklı bir modelden ziyade sezgisel bir görselleştirme/nicemleme aracıdır. Saf 2B görselleştirme için t-SNE ve UMAP genellikle kümeleri daha keskin ayırır; vektör nicemleme/kümeleme için k-means daha basittir; ancak hiçbiri SOM'un sıralı ızgarasını vermez.
Güçlü yönler & sınırlılıklar
- Sıralı, topolojiyi koruyan ve görselleştirilmesi ve yorumlanması kolay bir 2B harita üretir.
- Kümeleme ve boyut azaltmayı tek bir modelde birleştirir.
- Sağlamdır, çevrimiçi eğitilebilir ve büyük veri kümelerine ölçeklenir.
- U-matrisi ve bileşen düzlemleri zengin keşifsel görünümler sunar.
- Izgara boyutu/şekli seçimi gerektirir; sonuçlar bunlara ve başlatmaya bağlıdır.
- Deterministik değildir ve öğrenme oranı/komşuluk programına duyarlıdır.
- Olasılıksal bir model değil, sezgisel bir niceleyicidir; olasılık veya ilkeli bir seçim sunmaz.
- Mesafeleri bozabilir; ızgara, veriye uymayan sabit bir topoloji dayatır.
SSS
Bir SOM, k-means'ten nasıl farklıdır?
Her ikisi de prototip vektörleri öğrenir, ancak bir SOM prototiplerini sabit bir ızgara üzerinde düzenler ve her kazananı ızgara komşularıyla birlikte güncelleyerek sıralı, topolojiyi koruyan bir harita üretir. k-means'in kümeler arası bir geometrisi yoktur. Dolayısıyla bir SOM, k-means benzeri nicemleme artı yorumlanabilir bir 2B yerleşim sağlayan bir komşuluk yapısıdır.
Görselleştirme için bir SOM, t-SNE/UMAP ile aynı mıdır?
Her üçü de görselleştirme için boyutu azaltır, ancak bir SOM sabit bir prototip ızgarasına eşleme yapar (sıralı, nicemlenmiş haritalar ve U-matrisi için iyidir), oysa t-SNE/UMAP bireysel noktaları sürekli bir düzleme yerleştirir ve genellikle kümeleri daha keskin ayırır. Farklı keşif amaçlarına hizmet ederler.
U-matrisi nedir?
Birleştirilmiş mesafe matrisi, her SOM düğümü ile ızgaradaki komşuları arasındaki mesafeyi görselleştirir. Yüksek değerler, benzer olmayan bölgeler arasında 'duvarlar' oluşturur, bu nedenle U-matrisi eğitilmiş harita üzerindeki küme sınırlarını ortaya çıkarır; bu, bir SOM'dan kümeleri okumanın standart yoludur.
Kaynaklar
- Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43(1), 59–69. DOI: 10.1007/BF00337288 ↗
- Kohonen, T. (1990). The self-organizing map. Proceedings of the IEEE, 78(9), 1464–1480. DOI: 10.1109/5.58325 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Self-Organizing Map (Kohonen Map). ScholarGate. https://scholargate.app/tr/machine-learning/self-organizing-map
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır
- Yerel Doğrusal Gömme (LLE)Makine öğrenmesi↔ karşılaştır
- t-SNEMakine öğrenmesi↔ karşılaştır